脉冲耦合神经网络（Pulse Coupled Nerual Network,PCNN）是一种高度模仿生物视觉神经元系统的网络模型,由于其具有同步脉冲输出、神经元捕获、动态阈值等独特的生物学特性,因此适用于图像的去噪处理。另一方面,在不断提高PCNN网络性能的过程中,一些关键性难题值得研究和关注,其中PCNN的参数设置问题、硬件化实现困难问题是十分具有解决意义的研究方向。忆阻器是一种新型的非线性无源器件,具有纳米尺度、非易失性、可变忆阻等优良特性。本文利用忆阻器类似神经元突触的的特点,将其作为电子突触应用于PCNN模型,可以有效地实现连接权重和阈值电位的学习记忆功能;另一方面,使用数学方法对PCNN迭代过程进行归纳分析,得到了神经元在不同状态下的兴奋机制,并进一步实现了网络参数的动态设置。主要研究内容如下:首先,使用数学方法对PCNN的迭代过程进行分析,得到神经元在独立状态和耦合状态下的点火机制,并发现了参数的固有设置导致的点火重合现象,该现象会令PCNN的同步脉冲发放特性不能正常体现。在此基础上,对PCNN的模型参数进行简化与优化,并提出了动态参数设置算法,有效地解决了点火重合问题,使得脉冲信号能够正常同步输出,同时PCNN的网络性能得到了改善。其次,基于尖峰时序依赖可塑性规则提出了针对二维单层结构神经网络的脉冲同步依赖可塑性学习规则,在该规则的基础上,基于忆阻器构建了PCNN的可变连接权重矩阵电路模型,实现了神经元之间连接权重的动态调整;同时,基于忆阻器构建了PCNN的动态阈值发生器电路模型,实现了阈值电位的动态同步更新功能。之后,通过仿真验证了这两种电路模型的有效性。最后,基于忆阻器的脉冲耦合神经网络模型被用于图像的去噪处理。为了研究该模型在图像去噪处理中的特点与性能,基于峰值信噪比指标来评估处理后的图像质量,将其处理的结果与已有的一些滤波算法进行比较,验证了该模型在图像去噪处理中具有较为优越的性能,并且对于不同类型的噪声图像处理其适用性更高。